Gráficos interactivos en R

Autor

Carmen Lancho Martín - DSLAB

Fecha

martes, 15 de octubre de 2024

Introducción

En este seminario vamos a explorar cómo crear gráficos en R, comenzando por gráficos básicos en R base, luego avanzaremos hacia gráficos más complejos con ggplot2, y finalmente incorporaremos interactividad con plotly. Al final, generaremos un archivo HTML con todos los gráficos para compartir de forma fácil y visual los resultados.

¿En qué gráficos nos vamos a centrar?

  • Diagramas de barras (barplot)

  • Diagramas de cajas y bigotes (boxplots)

  • Gráficos de dispersión (scatterplot)

Carga de librerías

Comenzamos cargando todas las librerías necesarias:

library(mlbench)
library(ggplot2)
library(plotly)
library(tidyverse)
library(viridis)

Conjunto de datos

Utilizaremos el dataset Pima Indians Diabetes de la librería mlbench de R.

Este conjunto de datos contiene resultados de pruebas de diabetes recogidos por el Instituto Nacional de Diabetes y Enfermedades Digestivas y Renales de EE.UU. de una población de mujeres de al menos 21 años, de ascendencia india pima y residentes cerca de Phoenix, Arizona.

El objetivo del conjunto de datos es predecir si un paciente tiene o no diabetes, basándose en determinadas mediciones diagnósticas incluidas en el conjunto de datos. En la versión del conjunto de datos que vamos a usar, los valores anormales (como presión sanguínea de 0) se han puesto a NA (valor perdido).

data("PimaIndiansDiabetes2", package = "mlbench")
datos <- PimaIndiansDiabetes2
dim(datos)
[1] 768   9
n <- dim(datos)[1]
p <- dim(datos)[2]

El conjunto de datos cuenta con n= 768 observaciones y las siguientes 9 variables:

  • pregnant: Número de embarazos

  • glucose: Concentración plasmática de glucosa (prueba de tolerancia a la glucosa)

  • pressure: Tensión arterial diastólica (mm Hg)

  • triceps: Grosor del pliegue cutáneo del tríceps (mm)

  • insulin: 2-Hour serum insulin (mu U/ml)

  • mass: Índice de masa corporal (peso en kg/(altura en m)^2)

  • pedigree: Función de pedigrí de la diabetes

  • age: Edad (años)

  • diabetes: Factor que indica el resultado de la prueba de diabetes (neg/pos)

Veamos el formato de las variables:

str(datos)
'data.frame':   768 obs. of  9 variables:
 $ pregnant: num  6 1 8 1 0 5 3 10 2 8 ...
 $ glucose : num  148 85 183 89 137 116 78 115 197 125 ...
 $ pressure: num  72 66 64 66 40 74 50 NA 70 96 ...
 $ triceps : num  35 29 NA 23 35 NA 32 NA 45 NA ...
 $ insulin : num  NA NA NA 94 168 NA 88 NA 543 NA ...
 $ mass    : num  33.6 26.6 23.3 28.1 43.1 25.6 31 35.3 30.5 NA ...
 $ pedigree: num  0.627 0.351 0.672 0.167 2.288 ...
 $ age     : num  50 31 32 21 33 30 26 29 53 54 ...
 $ diabetes: Factor w/ 2 levels "neg","pos": 2 1 2 1 2 1 2 1 2 2 ...

Algunas observaciones:

head(datos)
  pregnant glucose pressure triceps insulin mass pedigree age diabetes
1        6     148       72      35      NA 33.6    0.627  50      pos
2        1      85       66      29      NA 26.6    0.351  31      neg
3        8     183       64      NA      NA 23.3    0.672  32      pos
4        1      89       66      23      94 28.1    0.167  21      neg
5        0     137       40      35     168 43.1    2.288  33      pos
6        5     116       74      NA      NA 25.6    0.201  30      neg

Y un pequeño resumen inicial:

summary(datos)
    pregnant         glucose         pressure         triceps     
 Min.   : 0.000   Min.   : 44.0   Min.   : 24.00   Min.   : 7.00  
 1st Qu.: 1.000   1st Qu.: 99.0   1st Qu.: 64.00   1st Qu.:22.00  
 Median : 3.000   Median :117.0   Median : 72.00   Median :29.00  
 Mean   : 3.845   Mean   :121.7   Mean   : 72.41   Mean   :29.15  
 3rd Qu.: 6.000   3rd Qu.:141.0   3rd Qu.: 80.00   3rd Qu.:36.00  
 Max.   :17.000   Max.   :199.0   Max.   :122.00   Max.   :99.00  
                  NA's   :5       NA's   :35       NA's   :227    
    insulin            mass          pedigree           age        diabetes 
 Min.   : 14.00   Min.   :18.20   Min.   :0.0780   Min.   :21.00   neg:500  
 1st Qu.: 76.25   1st Qu.:27.50   1st Qu.:0.2437   1st Qu.:24.00   pos:268  
 Median :125.00   Median :32.30   Median :0.3725   Median :29.00            
 Mean   :155.55   Mean   :32.46   Mean   :0.4719   Mean   :33.24            
 3rd Qu.:190.00   3rd Qu.:36.60   3rd Qu.:0.6262   3rd Qu.:41.00            
 Max.   :846.00   Max.   :67.10   Max.   :2.4200   Max.   :81.00            
 NA's   :374      NA's   :11

Gráficos en R base

Primero, vamos a empezar con la creación de gráficos básicos usando las funciones incorporadas en R.

Diagrama de barras

tabla_frecuencias <- table(datos$diabetes)
barplot(tabla_frecuencias, col = "lightblue")

Vamos a añadirle algunos detalles:

barplot(tabla_frecuencias, # datos
        main = "Diagrama de barras de diabetes",# Título
        ylab = 'Frecuencia',# Nombre eje y
        xlab='Diabetes',# Nombre eje x
        legend = rownames(tabla_frecuencias),#Leyenda
        col=c("maroon3","lightskyblue"))#Colores

Boxplot

Más información: https://r-charts.com/es/distribucion/funcion-boxplot/

boxplot(datos$glucose, horizontal = TRUE)

boxplot(glucose ~ pregnant, data = datos, 
        col = rainbow(max(datos$pregnant)),
        main = 'Boxplot de glucosa en función del número de embarazos')

Diagrama de dispersión

plot(datos$glucose,datos$insulin)

Podemos añadir más información al gráfico de dispersión puesto que sabemos que hay individuos con diabetes e individuos sin ella.

# Definición de colores
colores <- c("neg" = "maroon3", "pos" = "lightskyblue")
# Crea el gráfico
plot(datos$glucose, datos$insulin, 
     col = colores[datos$diabetes], # Colores según diabetes
     pch = c(16,17)[datos$diabetes], # Tipo de punto
     xlab = "Glucosa", # Etiqueta del eje x
     ylab = "Insulina",  # Etiqueta del eje y
     main = "Gráfico de Glucosa vs Insulina") # Título del gráfico

# Agrega la leyenda
legend("topright",  # Ubicación de la leyenda
       legend = names(colores), # Nombres de los niveles de diabetes
       col = colores,  # Colores correspondientes
       pch = c(16,17)[datos$diabetes], # Tipos de puntos
       title = "Diabetes") # Título de la leyenda

Gráficos con ggplot2

ggplot2 es una de las bibliotecas más utilizadas para la creación de gráficos complejos y personalizables. Su sistema de “gramática de gráficos” facilita la creación de gráficos detallados y estilizados.

Diagrama de barras con ggplot2:

# Crear gráfico con ggplot2
diag_barr_gg <- ggplot(data = datos, aes(x = diabetes)) +
  geom_bar(aes(fill = diabetes)) +
  scale_fill_manual(values=c("maroon3", "lightskyblue"))+
  labs(title = "Diagrama de barras de diabetes",
       x = "Diabetes",
       y = "Frecuencia") +
  theme_minimal()
diag_barr_gg

Explicación:

  • ggplot(data = datos, aes(x = diabetes)) inicializa el gráfico y define que el eje x representa la variable diabetes.
  • geom_bar(aes(fill = diabetes)) añade un gráfico de barras y utiliza colores diferentes para cada nivel de diabetes.
  • scale_fill_manual(values = c("maroon3", "lightskyblue")) personaliza los colores de las barras según los niveles de diabetes.
  • labs(title = "Diagrama de barras de diabetes", x = "Diabetes", y = "Frecuencia") añade un título y etiquetas a los ejes del gráfico.
  • theme_minimal() aplica un estilo simple y limpio al gráfico.

ggplotly() convierte un gráfico estático de ggplot2 en un gráfico interactivo

ggplotly(diag_barr_gg, tooltip = c("x", "y"))

Con tooltip aclaramos lo que queremos que muestre el gráfico al pasar el ratón. En este caso, al poner (x,y), estamos indicando que queremos que nos muestre información sobre el eje x y el eje y.

Boxplot con ggplot2:

Comenzamos con un único boxplot:

boxplot_gg <- ggplot(datos, aes(x=glucose)) + 
  geom_boxplot(fill = 'purple',alpha=0.2) +
  labs(title = "Boxplot de glucosa",
       x = "Glucosa") +
  theme_minimal() +
  theme(axis.text.y = element_blank())  # Quitar el texto del eje y
boxplot_gg

Vamos ahora a graficar varios boxplots juntos para su comparación. En particular, estamos interesados en ver cómo cambia la glucosa en función del número de embarazos.

boxplot_pregnant_gg <- ggplot(datos, 
                              aes(x=as.factor(pregnant), 
                                  y=glucose, 
                                   fill =as.factor(pregnant))) + 
    geom_boxplot(alpha=0.8) + 
    labs(title = "Boxplot de glucosa en función del nº de embarazos",
       x = "Número de embarazos",y='Glucosa') +
    scale_fill_viridis_d() + # Usa una paleta de colores de viridis
  theme_minimal() +
  theme(legend.position = "none")
boxplot_pregnant_gg

ggplotly(boxplot_pregnant_gg)

Diagrama de dispersión con ggplot2:

scatter_gg <- ggplot(datos, 
                     aes(y=insulin, x=glucose, 
                         color=diabetes, 
                         shape=diabetes)) + 
    geom_point(size=2.5) + 
  scale_color_manual(values=c("maroon3", "lightskyblue"))+
  labs(title = "Diagrama de dispersión insulina vs glucosa",
       x = "Glucosa",y='Insulina')+
  theme_minimal()
scatter_gg

ggplotly(scatter_gg, tooltip = c("x","y"))

Gráficos interactivos con plotly

plotly permite agregar interactividad a los gráficos, lo que resulta útil para exploración de datos y transmisión de información.

Diagrama de barras con plotly:

# Tabla de frecuencias
tabla <- as.data.frame(tabla_frecuencias)
colnames(tabla) <- c('diabetes','frecuencia')

# Crear el barplot en Plotly
grafico <- plot_ly(tabla, x = ~diabetes, y = ~frecuencia, type = 'bar', 
                   marker = list(color = 'slateblue')) %>%
  layout(title = "Diagrama de barras de diabetes",
         xaxis = list(title = "Diabetes"),
         yaxis = list(title = "Frecuencia"))
grafico

Plotly permite personalizar el hover, es decir, el texto que aparece cuando pasamos el ratón:

# Tabla de frecuencias
tabla <- as.data.frame(tabla_frecuencias)
colnames(tabla) <- c('diabetes','frecuencia')
texto <- c('Sin diabetes','Con diabetes')
tabla$texto <- texto

# Crear el barplot en Plotly
grafico <- plot_ly(tabla, x = ~diabetes, y = ~frecuencia, type = 'bar', 
                   marker = list(color = c("#CD2990", "lightskyblue")),
    hovertemplate = paste(tabla$texto, 
                          '<br> Frecuencia:', tabla$frecuencia,
                          '<extra></extra>')) %>%
  layout(title = "Diagrama de barras de diabetes",
         xaxis = list(title = "Diabetes"),
         yaxis = list(title = "Frecuencia"))
grafico

Boxplot con plotly:

fig <- plot_ly(datos,y =  ~glucose, type = "box", hoverinfo='y') %>%
  layout(title = 'Boxplot glucosa',
         xaxis = list(title = "", showticklabels = FALSE),
         yaxis = list(title = 'Glucosa'))

fig

Si además queremos visualizar los puntos, le añadimos boxpoints = "all", jitter = 0.5, pointpos = -1.8 :

fig <- plot_ly(datos,y =  ~pressure, type = "box", hoverinfo='y',
               boxpoints = "all", jitter = 0.5,
        pointpos = -1.8) %>%
  layout(title = 'Boxplot Presión',
         xaxis = list(title = "", showticklabels = FALSE),
         yaxis = list(title = 'Presión'))

fig

Visualicemos ahora varios boxplots juntos:

fig <- plot_ly(datos, y = ~glucose, color = ~as.factor(pregnant), 
               type = "box") %>%
  layout(showlegend = FALSE,
      title = "Boxplot de glucosa en función del número de embarazos",
         xaxis = list(title = "Número de embarazos",
                      tickvals = 1:max(datos$pregnant)),
         yaxis = list(title = "Glucosa"))

fig

Diagrama de dispersión con plotly:

fig <- plot_ly(data = datos, x = ~glucose, y = ~insulin, 
               color = ~diabetes,
              colors = c("#CD2990", "lightskyblue"),
              symbol = ~diabetes, symbols = c('x','s'),
               marker = list(size = 8),
            hovertemplate = paste('<b>Diabetes: </b>', datos$diabetes, 
                                    '<br> Insulina:', datos$insulin,
                                    '<br> Glucosa:', datos$glucose,
                                    '<extra></extra>'))

fig

Si además tuviéramos un identificador para cada elemento:

datos$ID <- seq(1,dim(datos)[1],1)

fig <- plot_ly(data = datos, x = ~glucose, y = ~insulin, 
               color = ~diabetes,
              colors = c("#CD2990", "lightskyblue"),
              symbol = ~diabetes, symbols = c('x','s'),
               marker = list(size = 8),
            hovertemplate = paste('<b>Diabetes: </b>', datos$diabetes, 
                                    '<br> Insulina:', datos$insulin,
                                    '<br> Glucosa:', datos$glucose,
                                    '<br>Paciente ID:', datos$ID,
                                    '<extra></extra>'))

fig

Más y más y más